本研究通过三维计算机断层扫描的伪标记提取 CXR 的精细解剖结构，为 CXR 的语义分割建模提供了可行方法，可以在不需要人工干预的情况下实现精细的解剖分割。

Jun, 2023

本文针对肺部模糊病灶等呼吸系统疾病及新型冠状病毒肺炎病情下，难以对胸部 X 光片进行自动图像分析，提出使用深度生成模型进行数据插值的改进型卷积神经网络，有效地实现了在异常情况下进行自动化风险评估。

May, 2020

提出了一种新颖的方法，在 2D 胸部放射学图像上训练深度学习模型进行自动肺气肿分割，通过将肺 + 空间作为约束来提高分割性能。

Nov, 2023

COVID-19 大流行病反应凸显了深度学习方法在通过计算机断层扫描 (CT) 对肺部疾病的正常和异常组织进行自动分割方面的潜力，这些方法不仅有助于临床决策，还有助于理解新型疾病。为了解决手动分割大型 CT 数据库的繁重性质，我们使用多态训练优化了一个网络，以表示多个分层解剖结构，间接优化了更复杂的标签。我们结合来自不同来源的 6000 多个不同格式的手动和自动标签的 CT 扫描，使用多任务学习和多态训练开发了 MEDPSeg，一种用于单向预测肺部、气道、肺动脉和肺病变分割的端到端方法。我们在多个目标中取得了最先进的性能，特别是在地面玻璃浑浊度和病变分割方面，这是一个具有有限手动注释可用性的具有挑战性的问题。此外，我们提供了一个开源实现，具有图形用户界面的链接：https:// 此处为 URL。

Dec, 2023

本文旨在通过开发全新的人机协作方法对 X 光片进行地面真实性标注，建设了一种最大的基准数据集，包括 33,920 张 X 光片，其中包括 11,956 个 COVID-19 样本，通过对肺部区域分割、COVID-19 定位和感染定量进行深度学习处理，达到优秀 COVID-19 检测性能。

Mar, 2021

通过六个公开数据库的统一和精细的解剖学标注，提出了一个广泛的胸部 X 射线多中心分割数据集。在这个数据集中，使用 HybridGNet 模型进行严格的验证和高质量的分割，提供了每个掩膜的个性化质量指数和数据集的整体质量评估。该数据集对于胸部 X 射线分析方法的开发和评估具有重要价值。

Jul, 2023

通过融合图像特征和定量扫描仪先验信息，我们开发了一个基于深度学习的端到端框架来准确量化计算机断层扫描（CT）中的肺气肿，并在大规模研究和临床应用中取得了显著改进。

Feb, 2024

本研究提出了一种新的肺部分割框架，包括基于交叉关注的分割网络和放射真实胸部 X 射线图像合成用于数据增强。同时，使用图像到图像的翻译模块来合成放射学异常胸片器用于数据增强，并阐明了该框架的稳健性和有效性。

Apr, 2019

CheX-nomaly 模型通过对比学习方法和病变框解关联来显著提高胸部异常定位模型的泛化能力，并引入新的损失技术来增强 U-net 模型在边界框分割上的性能，从而为胸部疾病诊断的精确性提供了有前景的解决方案，特别关注减少医疗保健中视觉错误的数量。

Nov, 2023

本文提出了一种基于深度学习的分割系统，用于自动量化 COVID-19 肺部感染区域及其与肺体积之比，并采用人机协同策略大大降低了手动分割的时间。系统与手动分割结果间的 Dice 相似系数平均为 91.6％，肺部感染区域占比的平均估计误差为 0.3％，并探讨了该系统的可能应用。

Mar, 2020